論文の概要: MedSynapse-V: Bridging Visual Perception and Clinical Intuition via Latent Memory Evolution

• arxiv url: http://arxiv.org/abs/2604.26283v1
• Date: Wed, 29 Apr 2026 04:23:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.254211
• Title: MedSynapse-V: Bridging Visual Perception and Clinical Intuition via Latent Memory Evolution
• Title（参考訳）: MedSynapse-V:潜在記憶の進化による視覚知覚と臨床的直観
• Authors: Chunzheng Zhu, Jiaqi Zeng, Junyu Jiang, Jianxin Lin, Yijun Wang,
• Abstract要約: 高精度な診断は、静的な画像の特徴だけでなく、暗黙的な診断記憶の専門家が画像解釈中に即座に起動することにも依存する。 本報告では,隠れストリーム内の暗黙的診断記憶を動的に合成することにより,臨床医の呼び出しをシミュレートする潜在診断記憶進化の枠組みを提案する。 内因性パラメータに外部の専門知識を移すことで、診断精度において既存の最先端の手法、特にチェーン・オブ・シント・パラダイムを著しく上回ります。
• 参考スコア（独自算出の注目度）: 17.226939499496996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-precision medical diagnosis relies not only on static imaging features but also on the implicit diagnostic memory experts instantly invoke during image interpretation. We pinpoint a fundamental cognitive misalignment in medical VLMs caused by discrete tokenization, leading to quantization loss, long-range information dissipation, and missing case-adaptive expertise. To bridge this gap, we propose ours, a framework for latent diagnostic memory evolution that simulates the experiential invocation of clinicians by dynamically synthesizing implicit diagnostic memories within the model's hidden stream. Specifically, it begins with a Meta Query for Prior Memorization mechanism, where learnable probes retrieve structured priors from an anatomical prior encoder to generate condensed implicit memories. To ensure clinical fidelity, we introduce Causal Counterfactual Refinement (CCR), which leverages reinforcement learning and counterfactual rewards derived from region-level feature masking to quantify the causal contribution of each memory, thereby pruning redundancies and aligning latent representations with diagnostic logic. This evolutionary process culminates in Intrinsic Memory Transition (IMT), a privileged-autonomous dual-branch paradigm that internalizes teacher-branch diagnostic patterns into the student-branch via full-vocabulary divergence alignment. Comprehensive empirical evaluations across multiple datasets demonstrate that ours, by transferring external expertise into endogenous parameters, significantly outperforms existing state-of-the-art methods, particularly chain-of-thought paradigms, in diagnostic accuracy.
• Abstract（参考訳）: 高精度な診断は、静的な画像の特徴だけでなく、暗黙的な診断記憶の専門家が画像解釈中に即座に起動することにも依存する。 離散トークン化による医療用VLMの基本的な認知的不整合を指摘し,量子化損失,長距離情報伝達,ケース適応的専門知識の欠如につながった。 このギャップを埋めるために,我々は,モデルの隠れストリーム内で暗黙的な診断記憶を動的に合成することにより,臨床医の体験的呼び出しをシミュレートする潜在診断記憶進化の枠組みを提案する。 具体的には、Meta Query for Prior Memorizationメカニズムから始まり、学習可能なプローブが解剖学的事前エンコーダから構造化された事前情報を検索して、凝縮した暗黙の記憶を生成する。 そこで我々は,各記憶の因果的寄与を定量化するために,地域レベルの特徴マスキングから得られる強化学習と反事実報酬を活用し,冗長性を抑え,潜在表現を診断論理と整合させるCCRを導入する。 この進化過程は、教師・ブランチの診断パターンを全語彙の発散アライメントを通じて生徒・ブランチに内包する特権-自律二重ブランチパラダイムであるIntrinsic Memory Transition (IMT)で頂点に達する。 複数のデータセットにまたがる総合的な経験的評価は、外部の専門知識を内在的パラメータに移行することで、診断精度において既存の最先端の手法、特にチェーン・オブ・プリート・パラダイムを著しく上回っていることを示している。

関連論文リスト

• CoRE: Concept-Reasoning Expansion for Continual Brain Lesion Segmentation [16.903732775774124]
  概念推論拡張(Concept-Reasoning Expansion, CoRE)フレームワークは、視覚的特徴と構造的概念を統合することで、共同決定機構を確立する。 CoREは最先端のパフォーマンスを達成し、効率的な将来の適応のための高い知識の出発点を提供する。
  論文  参考訳（メタデータ） (2026-04-28T08:39:43Z)
• Continual Learning for fMRI-Based Brain Disorder Diagnosis via Functional Connectivity Matrices Generative Replay [29.68388420763425]
  異種臨床現場におけるfMRIによる診断に特化して設計された最初の連続学習フレームワークを提案する。 本フレームワークでは,患者群と制御群の両方で現実的なFC行列を合成する構造対応変分オートエンコーダを提案する。 重度抑うつ障害(MDD)、統合失調症(SZ)、自閉症スペクトラム障害(ASD)に対する多地点データセットの実験は、提案した生成モデルがデータ拡張品質を向上させることを示す。
  論文  参考訳（メタデータ） (2026-04-15T16:08:52Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Deep Expert Injection for Anchoring Retinal VLMs with Domain-Specific Knowledge [66.67024684187915]
  LVLM(Large Vision Language Models)は、眼科における自動診断の可能性を秘めている。 彼らの臨床展開は、ドメイン固有の知識の欠如によって著しく妨げられている。 EyExInは、Deep Expert Injectionメカニズムを通じて専門知識で網膜VLMを固定するように設計されたフレームワークである。
  論文  参考訳（メタデータ） (2026-03-07T09:43:49Z)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• Knowledge Distillation Approach for SOS Fusion Staging: Towards Fully Automated Skeletal Maturity Assessment [1.0208529247755187]
  本稿では,SOS(spheno-occipital synchondrosis)核融合の自動ステージングのための新しいディープラーニングフレームワークを提案する。 本フレームワークは診断精度が向上し,臨床的に実現可能なエンド・ツー・エンド・パイプラインが完成する。
  論文  参考訳（メタデータ） (2025-05-27T02:01:45Z)
• An Explainable Diagnostic Framework for Neurodegenerative Dementias via Reinforcement-Optimized LLM Reasoning [1.5646349560044959]
  診断透明性を高めるために2つのコアコンポーネントを統合するフレームワークを提案する。 まず,3次元T1強調脳MRIをテキスト・ラジオグラフィー・レポートに変換するモジュールパイプラインを提案する。 第2に,現代大規模言語モデル(LLM)の可能性を探り,臨床医の鑑別診断を支援する。
  論文  参考訳（メタデータ） (2025-05-26T13:18:32Z)
• REMEMBER: Retrieval-based Explainable Multimodal Evidence-guided Modeling for Brain Evaluation and Reasoning in Zero- and Few-shot Neurodegenerative Diagnosis [6.446611581074913]
  検索型マルチモーダル誘導型脳評価・推論モデルREMEMBERについて紹介する。 REMEMBERは、脳MRIスキャンを用いたゼロショットと少数ショットのアルツハイマーの診断を容易にする新しい機械学習フレームワークである。 実験結果から,REMEMBERはゼロショットと少数ショットの堅牢な性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-04-12T22:06:15Z)
• Towards the Identifiability and Explainability for Personalized Learner Modeling: An Inductive Paradigm [36.60917255464867]
  本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。 診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-01T07:18:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。